使用python+opencv进行图像的去畸变
一、去畸变的分类：
1.1.在普通相机cv模型中，畸变系数主要有下面几个：(k1; k2; p1; p2[; k3[; k4; k5; k6]] ，其中最常用的是前面四个，k1,k2为径向畸变系数，p1,p2为切向畸变系数。
2.在fisheye模型中，畸变系数主要有下面几个（k1,k2,k3,k4）
这篇文章主要介绍普通相机cv模型
二、去畸变的两种方法
其实去畸变可以分为有两种方法（每种方法均给出参数链接，有兴趣可以跳转查看）
1.getOptimalNewCameraMatrix+undistort（本篇文章简写为GU）
2.getOptimalNewCameraMatrix+initUndistortRectifyMap+remap（本篇文章简写为GIR）
区别：GU方法中的undistort其实是第二种方法GIR中initUndistortRectifyMap+remap的结合，在调用undistort函数的时候，内部其实就是在调用initUndistortRectifyMap+remap。
使用范围：对于一张图片，GU方法和GIR方法都可以使用，但是当图片多的时候，GU方法就会浪费时间，因为initUndistortRectifyMap()这个函数在处理多个图片时，他的输出（mapx、mapy）其实只要计算一次就够了，然后把（mapx、mapy）作为remap的其中两个输入进行畸变校正，只需要多次调用remap即可。
三、函数分析
1.**alpha**参数
这里主要说一下getOptimalNewCameraMatrix()函数中的alpha参数，他的大小在0~1之间，如果
alpha=1，原图像的所有像素能够得到保留，也就是在去畸变之后会出现黑色区域；alpha=0，会将黑色像素去除；在0~1之间，会按照比例重新计算fx,fy,cx,cy。这里alpha的取值，其实是在改变inner和outer矩阵
事实上，内矩阵inner（alpha=0）等同于不含任何黑色边框的图幅大小，而外矩阵outer（alpha=1）等同于原图大小
图片引用自一篇文章（https://blog.csdn.net/a472609409/article/details/90515742）
图一
图二
2.**initUndistortRectifyMap()**函数
1.cameraMatrix：输入相机矩阵
2.distCoeffs：输入参数，相机的畸变系数：(k1,k2,p1,p2[,k3[,k4,k5,k6[,s1,s2,s3,s4[,τx,τy]]]])，有4，5,8,12或14个元素。如果这个向量是空的，就认为是零畸变系数。
3.R：可选的修正变换矩阵，是个3*3的矩阵。通过stereoRectify计算得来的R1或R2可以放在这里。如果这个矩阵是空的，就假设为单位矩阵。在cvInitUndistortMap中，R被认为是单位矩阵。
4.newCameraMatrix：新的相机矩阵
5.size：未畸变的图像尺寸。
6.m1type：第一个输出的映射的类型，可以为 CV_32FC1, CV_32FC2或CV_16SC2，参见cv::convertMaps。
7.map1：第一个输出映射。
8.map2：第二个输出映射。
3.**undistort()**函数
如果undistort函数的最后一个参数使用原相机内参，那么得到的结果就是上面图1的结果，相当于alpha=0的情况。
如果undistort函数的最后一个参数使用getOptimalNewCameraMatrix计算出来的新矩阵，那么得到损失像素后的图像，也就是当alpha=1时，得到上面图2的结果。
四、总结
好了，对于图片的矫正，还有两个函数，分别是getOptimalNewCameraMatrix，remap，不过这两个函数没有太多太容易出错的地方，根据上面给出的参数链接就可以写对。
目前这篇文章只是对图像进行去畸变，如果要对某一个像素点进行去畸变，可以参考引用5，里面有具体介绍！
目前学到这些，后续我也要对某一个像素点进行去畸变，到时候再进行更新！
五、引用
感谢下列文章的帮助：
1.https://www.cnblogs.com/riddick/p/6711263.html
2.https://blog.csdn.net/a472609409/article/details/90515742
3.https://blog.csdn.net/u013341645/article/details/78710740
4.https://zhuanlan.zhihu.com/p/74133719
5.https://zhuanlan.zhihu.com/p/137053640（该篇文章使用C++进行编写，但是内容还是排版都看到很舒服）
6.https://www.jianshu.com/p/6daa8dbbfa30（该篇文章主要对畸变函数进行比较）
